CN112116263B - 一种交通路口风险级别评估方法、装置、电子设备及存储介质 - Google Patents
一种交通路口风险级别评估方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN112116263B CN112116263B CN202011019337.9A CN202011019337A CN112116263B CN 112116263 B CN112116263 B CN 112116263B CN 202011019337 A CN202011019337 A CN 202011019337A CN 112116263 B CN112116263 B CN 112116263B
- Authority
- CN
- China
- Prior art keywords
- conflict
- evaluation
- evaluation index
- index
- level
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 70
- 238000011156 evaluation Methods 0.000 claims abstract description 301
- 239000011159 matrix material Substances 0.000 claims description 48
- 238000004364 calculation method Methods 0.000 claims description 19
- 230000000694 effects Effects 0.000 claims description 19
- 238000012545 processing Methods 0.000 claims description 15
- 239000013598 vector Substances 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 11
- 238000012854 evaluation process Methods 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 abstract description 6
- 230000008901 benefit Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 230000003993 interaction Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000012502 risk assessment Methods 0.000 description 5
- 206010039203 Road traffic accident Diseases 0.000 description 3
- 230000009897 systematic effect Effects 0.000 description 3
- 241000283070 Equus zebra Species 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000001308 synthesis method Methods 0.000 description 1
- 238000010189 synthetic method Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
- G06Q50/265—Personal security, identity or safety
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Computer Security & Cryptography (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种交通路口风险级别评估方法、装置、电子设备及存储介质，属于交通安全评测技术领域。该方法从交通路口评估标准的非线性特性入手，提出基于局部差异的指标权重确定方法来确定不同对象间通过交叉口各项风险指标的权重，并结合云模型进行风险级别评估，有效地解决了各个估指标自身的模糊性问，建立了冲突评价指标属性离散标准，实现了不同对象间的冲突风险级别的定性概念与冲突评价指标定量概念之间的自然转化，提高评估准确性和可靠性。解决了现有交通路口冲突评价指标选取单一，权重分配不合理的问题。
Description
技术领域
本发明属于交通安全评测技术领域，具体地说，涉及一种交通路口风险级别评估方法、装置、电子设备及存储介质。
背景技术
随着城市化进程的加快，人民生活水平的提高，私家车的出行的比例越来越高，交通事故发生量也逐年增加。其中，交叉口是各向机动车流、非机动车流和行人流的集散点，其运行环境的复杂性与交通参与者行为的不确定性导致交叉口成为了路网运行的瓶颈和事故的多发地，因此，对于交叉口安全性的评估变的尤为重要。
对于道路交叉口的安全状况进行评价，一般分为直接评价和间接评价两种。直接评价是指采用事故率法或事故绝对数法进行交通安全评价的一种方法，该方法需要统计多年的事故统计数据，评价周期长，准确性也存在一定问题；间接评价是指基于交通冲突技术，对交通系统的当前状况予以评价，该方法弥补了直接安全评价周期长、准确性低等缺陷，但是评估的数据不够全面，评估结果也不够准确。
如，中国专利公开号为CN108230676A，公开了一种基于轨迹数据的交叉口行人过街风险评估方法，包括以下步骤：S1:基于轨迹数据提取机动车与行人之间的冲突指标：S2:基于提取的冲突指标识别行人和机动车的交互模式，根据不同交互模式计算行人与机动车潜在的碰撞概率；S3:根据机动车的车型、车速计算人车交互事件的潜在碰撞后果；S4:结合碰撞概率与潜在碰撞后果，创建风险评估模型：S5:根据风险评估模型中的各时空计算单元上的行人过街风险度获取风险度矩阵，根据风险度矩阵绘制行人过街风险地图；S6:结合风险评估模型中的行人过街平均风险度与主观风险标准划分行人过街风险等级，进行风险评估。该方法只选取了空间上机动车与行人之间轨迹数据，提取冲突指标，对于交叉路口复杂性考虑不够周全，导致得出的评估结果也不够严谨。
因此，目前的道路交叉口的安全状况评估的主要问题在于，没有综合考虑交叉路口环境的复杂性，冲突评价指标选取单一，对交叉路口安全分析不够全面；且对于各冲突评价指标的权重计算不够准确，导致得出的评估结果不够准确。
发明内容
1、要解决的问题
针对现有交通路口冲突评价指标权重分配不合理的问题，本发明从交通路口评估标准的非线性特性入手，提出基于局部差异的指标权重确定方法确定行人过街各项风险指标的权重，并结合云模型，进行风险级别评估，有效地解决了各个评估指标自身的模糊性问题，建立了冲突评价指标属性离散标准，实现了不同对象间的冲突风险级别的定性概念与冲突评价指标定量概念之间的自然转化，提高评估准确性和可靠性。
2、技术方案
为解决上述问题，本发明采用如下的技术方案。
本发明第一方面提供一种交通路口风险级别评估方法，包括：
S102：获取所述交通路口中不同对象间的冲突数据，选取多个用于评价不同对象间的冲突评价指标；
S104：根据所述冲突数据和冲突评级指标，设定评价对象集和冲突评价指标集，构建所述评价对象集关于所述冲突评价指标集的指标矩阵，利用基于局部差异的指标确定方法，计算所述冲突评价指标之间的权重；
S106：构建云模型对所述多个冲突评价指标进行分级，将分别得到冲突评级指标的确定度乘以各项冲突评价指标的权重，构建确定度矩阵；
S108：计算每一个所述确定度矩阵中各列的值，选取确定度的最大值所在的级别为所述交通路口的冲突风险的级别。
在一些实施例中，所述的冲突评价指标包括：碰撞时间、碰撞速度、安全减速度和后侵入时间中的一种或多种。
在一些实施例中，所述构建所述评价对象集关于所述冲突评价指标集的指标矩阵步骤时，采用如下公式，对所述指标矩阵中的数据作无量纲处理；其中所述公式为：
其中，i表示冲突评价指标中第i项，i的取值为1-m，m为大于1的自然数；j表示冲突评价指标级别中第j项，j的取值为1-n，n为大于1的自然数；xij表示评价对象集合中任意一项评价对象i对应在冲突评价指标集中任意一个冲突评价指标级别j的观测数据；表示xij在指标矩阵中第i行中的最小值；xij *表示xij经过无量纲化处理后所得的结果。
在一些实施例中，所述基于局部差异的指标确定方法，计算所述冲突评价指标之间的权重步骤包括：
取xij **作为第一向量，取观测数据xij作为第二向量；xij **采用下列公式进行计算：
其中，j表示冲突评价指标级别中第j项；i表示冲突评价指标中第i项，m表示i的最大取值；xij表示评价对象集合中任意一项评价对象i对应在冲突评价指标集中任意一个冲突评价指标级别j的观测数据，T是转置矩阵的符号。
选择用余弦值cosθj作为第一向量和第二向量差异的度量，其中cosθj的取值越小，则该项冲突评价指标在评价过程中起到的作用也就越大，反之起到的作用越小；
其中，j表示冲突评价指标级别中第j项；i表示冲突评价指标中第i项，m表示i的最大取值；xij表示评价对象集合中任意一项评价对象i对应在冲突评价指标集中任意一个冲突评价指标级别j的观测数据；T是转置矩阵的符号；
利用如下公式将数据进行归一化处理，将处理结果作为冲突评价指标的权重；
其中ωj表示余弦值cosθj归一化后的权值；j表示的指标矩阵第j列的值。
在一些实施例中，所述构建云模型的步骤包括：
构建所述云模型时，把交通路口中两个对象间的冲突风险级别看作自然语言概念；
假设两个对象间冲突数据隶属于该两个对象间的冲突风险级别的确定度分布，符合正态分布。
在一些实施例中，所述构建云模型步骤还包括：
S202：选取多个冲突评价指标，将所述的冲突评价指标进行分级，获取不同的评估级别；
S204：将同一冲突评价指标的评估级别分别输入至正向正态云发生器中，计算每个冲突评价指标的云数字特征；
S206：将同一冲突评价指标的评估级别的云数字特征输入到半云发生器中获得该冲突评价指标的云滴在数域空间的定性概念的确定度和评估云图；
重复步骤S204和S206多次，直至每一冲突评价指标都生成对应的评估云图。
在一些实施例中，所述的构建云模型步骤还包括：
S302：根据同一冲突评价指标的评估级别中云模型的云数字特征，建立用于评估交通路口中两个对象间的冲突风险级别的综合云模型，该综合云模型的云数字特征分别是期望Ex、熵En和超熵He；
S304：根据所述期望Ex、熵En和超熵He以及给定的云滴数N，得到一个期望值为En，标准差为He的正态随机数以及一个期望值为Ex，标准差为|En′|的正态随机数x；
S306：计算x是定性概念的一次具体量化值，令y是x的确定度；
S308：重复执行步骤S304-S306,直至产生N个云滴；
S310：输出N个同一冲突评价指标的云滴在数域空间的定量位置和定性概念的确定度(x,y)；
S312：获得所述冲突评价指标的云滴在数域空间的定量位置和定性概念的确定度。
本发明第二方面提供一种交通路口风险级别评估装置，包括：
数据获取模块，其用于获取所述交通路口中不同对象间的冲突数据，并选取多个冲突评价指标；
权重确定模块，其用于根据所述冲突数据和冲突评级指标，设定评价对象集和冲突评价指标集，构建所述评价对象集关于所述冲突评价指标集的指标矩阵，利用基于局部差异的指标确定方法，计算所述冲突评价指标之间的权重；
云模型构建模块，其用于构建云模型对所述多个冲突评价指标进行分级，将分别得到冲突评级指标的确定度乘以各项冲突评价指标的权重，构建确定度矩阵；
级别计算模块，其用于计算每一个所述确定度矩阵中各列的值，选取确定度的最大值所在的级别为所述交通路口的冲突风险的级别。
本发明第三方面提供一种电子设备，包括处理器、输入设备、输出设备和存储器，所述处理器、输入设备、输出设备和存储器依次连接，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器被配置用于调用所述程序指令，执行上述的方法。
本发明第四方面提供一种可读存储介质，所述存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令当被处理器执行时使所述处理器执行上述的方法。
3、有益效果
相比于现有技术，本发明的有益效果为：
(1)本发明从交通路口评估标准的非线性特性入手，提出基于局部差异的指标权重确定方法确定行人过街各项风险指标的权重，并结合云模型，进行风险评估，有效地解决了各个估指标自身的模糊性问题，建立了冲突评价指标属性离散标准，实现了不同对象间的冲突风险级别的定性概念与冲突评价指标定量概念之间的自然转化，提高评估准确性和可靠性；
(2)本发明提出的交通路口风险级别评估方法，确定不同风险指标之间的权重后，并对指标的严重程度进行分级，建立完善的安全评价体系，能够有助于交通评价分析和交通控制与优化，降低事故发生概率，提高交通路口的安全性；
(3)本发明所采用的指标权重确定方法，是在“差异驱动”原理的基础上，尽可能反映实际情况，排除由于各项指标的量纲不同以及数值数量级间的悬殊差别所带来的影响，避免不合实际情况的评估结果发生。
附图说明
通过结合附图对本申请实施例进行更详细的描述，本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与本申请实施例一起用于解释本申请，并不构成对本申请的限制。在附图中，相同的参考标号通常代表相同部件或步骤。附图中：
图1为本发明实施例提供的一种交通路口风险级别评估方法流程图；
图2为本发明实施例提供的一种交通路口风险级别评估装置框图；
图3为本发明实施例提供的云模型构建方法流程图；
图4图示了根据本申请实施例的电子设备的框图；
图5为本发明实施例提供正向云发生器示意图。
具体实施方式
下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。
申请概述
对于交通路口安全状况的研究，其对象可以是行人、机动车辆和非机动车辆等。下面主要以行人和机动车辆作为研究对象进行说明，但是本领域技术人员应当理解，此处的对象还可以机动车与非机动车等，在此不做限定。
众所周知，行人作为交通的直接参与者，在与其他参与者(机动车)发生冲突时处于弱势地位。一旦发生碰撞，将会导致行人受伤甚至死亡。因此，行人过街安全问题一直受到相关专家和学者的重视。近年来，也有相关学者综合考虑行人过街特征，对传统冲突指标的定义、计算和提取方法进行修改和延伸，应用于人车冲突风险评估研究并取得了一定的研究成果。本申请考虑的人车冲突评价指标有碰撞时间(Time to Collision,TTC)、碰撞速度(Conflicting Speed,CS)、安全减速度(Deceleration to Safety Time,DST)、后侵入时间(Post-Encroachment Time,PET)、冲突时间差等。
现有的评价方法，利用神经网络法和模糊综合法等多指标评价方法，对行人过街安全问题进行分析，但在实际处理的过程中也存在一定的缺陷：例如神经网络法难以寻找学习算法并确定差异度系数；模糊综合法能够较为直观地得到安全评价结果，但是在实际使用过程中存在指标权重难以确定等问题。且传统的指标权重方法是以“差异驱动”原理为基础,即认为被评价系统的某项指标的观测值的差异越大,则该项指标对被评价对象的比较作用及越大。这种方法导致观测值越大的指标，对评价结果产生的作用越大，使用这种模型或方法会导致评价系统比较“畸形”，诱导评价对象不能准确、客观地反应交叉口的安全情况。
此外，有人利用基于系统聚类或者基于混合模糊聚类法(Fuzzy C-Means,FCM)的安全评价方法，虽然这种方法得到的聚类结果比较准确，但是对数据的要求较高：一方面，系统聚类法要求大量数据，在数据量较少或者数据不完整的情况下表现不好；另一方面，聚类方法是在系统聚类法的基础上结合模糊理论的安全评价方法，该方法所需样本数量较少，易于操作，流程简单直观，有较强的实用性，但是FCM聚类对初始中心点敏感且容易陷入局部最优的问题中，导致聚类算法性能降低。因此目前，针对交通路口安全性评估，尚未有很好的解决办法。
示例性方法
如图1所示，本示例提供一种交通路口风险级别评估方法，包括如下步骤：
S102：获取所述交通路口中不同对象间的冲突数据，选取多个用于评价所述对象间的冲突评价指标；本示例中，冲突评价指标包括：碰撞时间、碰撞速度、安全减速度和后侵入时间。
具体的，获取所述交通路口中不同对象间的冲突数据步骤包括：选取预定拍摄的交通路口以及预定拍摄时间，根据所述交通路口的地貌信息，通过高点拍摄所述交通路口的视频数据，并结合人工观测记录，获取不同对象间的冲突数据。本示例中，在观测区域附近选择录像视野较好，能够清晰呈现机动车和行人轨迹的建筑物进行录像拍摄；确定数据采集的地点，选择附近有主要交通源的交叉口进行数据采集，例如中心商务区或者工业园区，方便在短时间内采集大量的人车冲突的数据进行数据分析；确定数据采集的时间，将数据采集的时间定为上下班高峰时段，根据城市规模与主要交通源的距离以及交通设施的类型进行适当的调整。
进一步，为了更加方便的获取人车冲突的数据，观测点的选择主要分为两种情况，并需要遵循以下原则：
对于有信号控制交叉路口：
1)十字形交叉口，右转车辆无专用相位；
2)交叉口调查区域行人和右转机动车流量大；
3)行人和右转车辆发生冲突的次数较多；
4)方便高空拍摄且录像范围内无遮挡物；
5)交叉口斑马线及标志标线清晰可辨认；
6)交叉口内及周边道路无明显斜坡；
7)行人过街包含自由过街和拥挤过街等多种状态。
对于无信号控制交叉路口：
1)交叉口机动车交通流量较小；
2)方便高空拍摄且录像范围内无遮挡物；
3)交叉口方便高空拍摄且录像范围内无遮挡物；
4)交叉口内斑马线等标志标线清晰可见；
5)交叉口内及周边道路无明显斜坡；
6)行人过街包含自由过街和拥挤过街等多种状态。
本示例中，选择预定交通路口(观测点)进行视屏拍摄，并结合人工观测记录的方法进行采集人车冲突的数据。通过视屏拍摄可以对行人和机动车的运动轨迹数据进行追踪，同时也可以通过提取、计算获取行人及车辆的速度、加速度等冲突数据。
需要说明的是，判断人车之间是否产生冲突以及冲突产生的位置，需要从空间和时间两个角度进行考虑。从空间上，将行人的轨迹数据与机动车的轨迹数据进行比较，若二者之间存在轨迹交叉的部分，则说明在空间上机动车和行人存在相互影响关系；从时间上，通过比较行人和机动车通过公共区域的时间差判断二者之间的相互影响是否明显，当时间差小于阈值时，则判定二者之间的相互作用明显。当空间上和时间上的条件同时满足时，则认为行人和机动车之间存在较为明显的冲突。因此，本示例从时间和空间两个因素考虑，选择碰撞时间、碰撞速度、安全减速度、后侵入时间作为行人过街风险评价的主要指标。其中，碰撞时间是指车辆以当前速度在路径上行驶，至冲突区域所需的时间，碰撞时间越小，冲突发生的可能性越大；速度是导致交通事故的重要因素，直接关系到交通事故的严重程度和人员伤亡率；安全减速度是指当一道路使用者到达共同空间区域或离开共同空间区域时，另一道路使用者为避免碰撞发生必须达到的减速度；后侵入时间是指前一道路使用者离开共同空间区域的时间和后一道路使用者到达共同空间区域的时间的差值。碰撞时间表示人车冲突发生的概率；碰撞速度关系到人车冲突中发生事故的损失程度；安全减速度可以反映车辆运行状态，有效评估发生人车冲突的严重程度；后侵入时间是由行人和车辆的运动状态共同决定的，可以通过观测计算直接获得。本示例中行人过街风险指标包括但不限于碰撞时间、碰撞速度、安全减速度、后侵入时间。
S104：根据所述冲突数据和冲突评级指标，设定评价对象集和冲突评价指标集，构建所述评价对象集关于所述冲突评价指标集的指标矩阵，利用基于局部差异的指标确定方法，计算所述冲突评价指标之间的权重。
具体的，将步骤S102中采集的冲突数据，根据设定的不同的冲突评级指标进行整理；将采集的不同交通路口(观测点)作为评价对象集，假设评价对象集O＝{o1，o2，...，om}，根据每个观测点冲突评级指标的数据，设定冲突评价指标集P＝{p1，p2，...，pn}，并取xij(i＝1，2，...，m；j＝1，2，...，n)为评价对象i的指标j的观测数据；设所有指标的取值大于零，则有评价对象集O关于冲突评价指标集P的指标矩阵A为：
作为一个变化例，当所述冲突评价指标集中数据类型均为极大型时，采用如下公式，对所述指标矩阵中的数据作无量纲处理；其中所述公式为：
其中，j表示冲突评价指标级别中第j项；i表示冲突评价指标中第i项，m表示i的最大取值；xij表示评价对象集合中任意一项评价对象i对应在冲突评价指标集中任意一个冲突评价指标级别j的观测数据，T是转置矩阵的符号。
需要说明的是，对于确定各风险指标权重的过程中，假设xij(i＝1，2，...，m；j＝1，2，...，n)为评价对象i的指标j的观测数据。对于给定的j，xij的差异越大，该项指标在评价对象时发挥的作用越大，包含的信息也就越多，同样的，该项指标包含和传递的信息量也就越大。基于该思路，利用基于“局部差异”的指标权重确定方法，确定行人过街风险评估中各风险指标的权重。
具体的权重计算步骤包括：
S402：取xij **作为第一向量，取第j项指标的观测数据xij作为第二向量；xij **采用下列公式进行计算：
其中，j表示冲突评价指标级别中第j项；i表示冲突评价指标中第i项，m表示i的最大取值；xij表示评价对象集合中任意一项评价对象i对应在冲突评价指标集中任意一个冲突评价指标级别j的观测数据，T是转置矩阵的符号。
S404：选择用余弦值cosθj作为第一向量和第二向量差异的度量，其中cosθj的取值越小，则该项冲突评价指标在评价过程中起到的作用也就越大，反之起到的作用越小；
其中，j表示冲突评价指标级别中第j项；i表示冲突评价指标中第i项，m表示i的最大取值；xij表示评价对象集合中任意一项评价对象i对应在冲突评价指标集中任意一个冲突评价指标级别j的观测数据；T是转置矩阵的符号；
S406：利用如下公式将数据进行归一化处理，将处理结果作为冲突评价指标的权重，得出最终综合评价值，其中所述公式为：
其中，ωj表示余弦值cosθj归一化后的权值；j表示的指标矩阵第j列的值。
需要说明的是，传统的指标权重方法是以“差异驱动”原理为基础,即认为被评价系统的某项指标的观测值的差异越大,则该项指标对被评价对象的比较作用及越大。这种方法导致观测值越大的指标，对评价结果产生的作用越大，使用这种模型或方法会导致评价系统比较“畸形”，诱导评价对象不能准确、客观地反应交叉口的安全情况。本示例所采用的指标权重确定方法，是在“差异驱动”原理的基础上进行改进，尽可能反映实际情况，排除由于各项指标的量纲不同以及数值数量级间的悬殊差别所带来的影响，避免不合理的现象发生。
S106：构建云模型对所述多个冲突评价指标进行分级，将分别得到冲突评级指标的确定度乘以各项冲突评价指标的权重，构建确定度矩阵。
需要说明的是，云模型是一种处理模糊性问题，能够实现定性与定量关系转换的方法。它可以表示定性概念到定量表示的过程(正向云发生器)，也可以表示由定量表示到定性概念的过程(逆向云发生器)。假设U是一个用精确数字表示的论域，C是论域U上的一个定性概念，设x∈U，为定性概念C在论域中的一次随机实现，x对于C所表达的隶属度uC(x)∈[0，1]，为一个具有稳定倾向的随机数，则x在论域U上的分布称隶属云，简称云，x称为云滴(x，uC)。并通过期望Ex、熵En和超熵He三个数字特征来反映一个定性概念C。
如图5所述，本示例把行人过街风险级别看作一个自然语言的概念，并假设人车冲突实测数据隶属于某行人过街风险级别的确定度的分布符合正态分布，将云模型引入行人过街风险评估。结合S104所述的各项风险指标的权重，建立综合的云模型，选取最大的确定度所在的级别，作为观测点行人过街风险的所属级别。
其中S106中构建云模型步骤包括：
S202：选取多个冲突评价指标，将所述的冲突评价指标进行分级，获取不同的评估级别；
具体的，如表1所示，选择碰撞时间、碰撞速度、安全减速度、后侵入时间作为行人过街风险评价的主要指标。所述的冲突评价指标包括但不限于碰撞时间、碰撞速度、安全减速度和后侵入时间。通过不同等级风险指标的危害程度，初步将行人风险指标分为表1对应的5个等级。
表1行人过街风险指标的标准
S204：将同一冲突评价指标的评估级别分别输入至正向正态云发生器中，计算每个冲突评价指标的云数字特征；
需要说明的是，由于影响人车冲突的因素有很多，难以用模型精确量化，而且冲突情况具有多样性，严重程度也各不相同。对人车冲突进行分级需要考虑多种冲突评价指标，而且分级作为一种随机事件，其临界值也具有一定的模糊性，即冲突严重度的分级具有不确定性。云模型是一种处理定性概念和定量描述的不确定转换模型，因此，本示例选用云模型对人车冲突的冲突评价指标进行分级。云模型具有三个数字特征，分别是期望Ex、熵En和超熵He，通过数字特征来表示一个定性的概念。
S206：将同一冲突评价指标的评估级别的云数字特征输入到半云发生器中获得该冲突评价指标的云滴在数域空间的定性概念的确定度和评估云图。
重复步骤S204和S206多次，直至每一冲突评价指标都生成对应的评估云图。
S108：计算每一个所述确定度矩阵中各列的值，选取确定度的最大值所在的级别为所述交通路口的冲突风险的级别。
具体的，通过布置S106计算各项冲突评价指标属于各级别的确定度，然后乘以各项冲突评价指标的权重，并将其存储到确定度矩阵A[X′][Y]；计算每一个确定度矩阵A[X′][Y]各列值的综合，即某一观测点各冲突评价指标隶属于某一行人过街风险级别的确定度之和；根据计算结果的最大值所在的级别即为该观测点的行人过街风险的级别。
本示例从交通路口评估标准的非线性特性入手，提出基于局部差异的指标权重确定方法确定行人过街各项风险指标的权重，并结合云模型，进行风险评估，有效地解决了各个估指标自身的模糊性问题，建立了冲突评价指标属性离散标准，实现了不同对象间的冲突风险级别的定性概念与冲突评价指标定量概念之间的自然转化，提高评估准确性和可靠性。
作为一个变化例，将同一冲突评价指标的评估级别分别输入至正向正态云发生器中，计算每个冲突评价指标的云数字特征，将同一冲突评价指标的评估级别的云数字特征输入到半云发生器中获得该冲突评价指标的云滴在数域空间的定性概念的确定度和评估云图步骤包括：
S302：根据同一冲突评价指标的评估级别中云模型的云数字特征，建立用于评估交通路口中两个对象间的冲突风险级别的综合云模型，该综合云模型的云数字特征分别是期望Ex、熵En和超熵He；
S304：根据所述期望Ex、熵En和超熵He以及给定的云滴数N，得到一个期望值为En，标准差为He的正态随机数以及一个期望值为Ex，标准差为|En′|的正态随机数x；
S306：计算x是定性概念的一次具体量化值，令y是x的确定度；
S308：重复执行步骤S304～S306,直至产生N个云滴；
S310：输出N个同一冲突评价指标的云滴在数域空间的定量位置和定性概念的确定度(x,y)；
S312：获得所述冲突评价指标的云滴在数域空间的定量位置和定性概念的确定度。
示例性装置
如图1所示，一种交通路口风险级别评估装置，包括：
数据获取模块，其用于获取所述交通路口中不同对象间的冲突数据，并选取所述对象间多个冲突评价指标。
权重确定模块，其用于根据所述冲突数据和冲突评级指标，设定评价对象集和冲突评价指标集，构建所述评价对象集关于所述冲突评价指标集的指标矩阵，利用基于局部差异的指标确定方法，计算所述冲突评价指标之间的权重。
所述权重确定模块还包括数据归一化模块和权值计算模块；数据归一化模块用于当所述冲突评价指标集中指标数据均为极大型时，采用如下公式，对所述指标矩阵中的数据作无量纲处理；其中所述公式为：
其中，i表示冲突评价指标中第i项，i的取值为1-m，m为大于1的自然数；j表示冲突评价指标级别中第j项，j的取值为1-n，n为大于1的自然数；xij表示评价对象集合中任意一项评价对象i对应在冲突评价指标集中任意一个冲突评价指标级别j的观测数据；表示xij在指标矩阵中第i行中的最小值；xij *表示xij经过无量纲化处理后所得的结果。
权值计算模块用于取xij **作为第一向量，取观测数据xij作为第二向量；xij **采用下列公式进行计算：
其中，j表示冲突评价指标级别中第j项；i表示冲突评价指标中第i项，m表示i的最大取值；xij表示评价对象集合中任意一项评价对象i对应在冲突评价指标集中任意一个冲突评价指标级别j的观测数据，T是转置矩阵的符号。
选择用余弦值cosθj作为第一向量和第二向量差异的度量，其中cosθj的取值越小，则该项冲突评价指标在评价过程中起到的作用也就越大，反之起到的作用越小；
其中，j表示冲突评价指标级别中第j项；i表示冲突评价指标中第i项，m表示i的最大取值；xij表示评价对象集合中任意一项评价对象i对应在冲突评价指标集中任意一个冲突评价指标级别j的观测数据；T是转置矩阵的符号；
利用如下公式将数据进行归一化处理，将处理结果作为冲突评价指标的权重；
其中ωj表示余弦值cosθj归一化后的权值；j表示的指标矩阵第j列的值。
云模型构建模块，其用于构建云模型对所述多个冲突评价指标进行分级，将分别得到冲突评级指标的确定度乘以各项冲突评价指标的权重，构建确定度矩阵。
具体的，构建所述云模型时，把交通路口中两个对象间的冲突风险级别看作自然语言概念；假设两个对象间冲突数据隶属于该两个对象间的冲突风险级别的确定度分布，符合正态分布；选取多个冲突评价指标，将所述的冲突评价指标进行分级，获取不同的评估级别；将同一冲突评价指标的评估级别分别输入至正向正态云发生器中，计算每个冲突评价指标的云数字特征；将同一冲突评价指标的评估级别的云数字特征输入到半云发生器中获得该冲突评价指标的云滴在数域空间的定性概念的确定度和评估云图。
级别计算模块，其用于计算每一个所述确定度矩阵中各列的值，选取确定度的最大值所在的级别为所述交通路口的冲突风险的级别。
示例性电子设备
下面，参考图4来描述根据本申请实施例的电子设备。该电子设备可以是可移动设备本身，或与其独立的单机设备，该单机设备可以与可移动设备进行通信，以从它们接收所采集到的输入信号，并向其发送所选择的目标。
图4图示了根据本申请实施例的电子设备的框图。
如图4所示，电子设备10包括一个或多个处理器11和存储器12。
处理器11可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元，并且可以控制电子设备10中的其他组件以执行期望的功能。
存储器12可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器11可以运行所述程序指令，以实现上文所述的本申请的各个实施例的决策方法以及/或者其他期望的功能。
在一个示例中，电子设备10还可以包括：输入装置13和输出装置14，这些组件通过总线系统和/或其他形式的连接机构(未示出)互连。例如，该输入设备13可以包括例如摄像头、激光雷达、车载通信(V2X)等各种设备。该输入设备13还可以包括例如键盘、鼠标等等。该输出装置14可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
当然，为了简化，图4中仅示出了该电子设备10中与本申请有关的组件中的一些，省略了诸如总线、输入/输出接口等等的组件。除此之外，根据具体应用情况，电子设备10还可以包括任何其他适当的组件。
示例性计算机程序产品和计算机可读存储介质
除了上述方法和设备以外，本申请的实施例还可以是计算机程序产品，其包括计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的决策方法中的步骤。
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本申请实施例操作的程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如Java、C++等，还包括常规的过程式程序设计语言，诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
此外，本申请的实施例还可以是计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的决策方法中的步骤。
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
以上结合具体实施例描述了本申请的基本原理，但是，需要指出的是，在本申请中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本申请为必须采用上述具体的细节来实现。
本申请中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。
还需要指出的是，在本申请的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此，本申请不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。
为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。
Claims (7)
1.一种交通路口风险级别评估方法，其特征在于，包括：
S102：获取所述交通路口中不同对象间的冲突数据，选取多个用于评价所述对象间的冲突评价指标；所述的冲突评价指标包括：碰撞时间、碰撞速度、安全减速度和后侵入时间中的一种或多种；
S104：根据所述冲突数据和冲突评价指标，设定评价对象集和冲突评价指标集，构建所述评价对象集关于所述冲突评价指标集的指标矩阵，利用基于局部差异的指标确定方法，计算所述冲突评价指标之间的权重；
S106：构建云模型对所述多个冲突评价指标进行分级，将分别得到冲突评价指标的确定度乘以各项冲突评价指标的权重，构建确定度矩阵；
构建所述云模型时，把交通路口中两个对象间的冲突风险级别看作自然语言概念；
假设两个对象间冲突数据隶属于该两个对象间的冲突风险级别的确定度分布，符合正态分布；
S108：计算每一个所述确定度矩阵中各列的值，选取确定度的最大值所在的级别为所述交通路口的冲突风险的级别；
所述基于局部差异的指标确定方法，计算所述冲突评价指标之间的权重步骤包括：
取xij **作为第一向量，取观测数据xij作为第二向量；xij **采用下列公式进行计算：
其中，j表示冲突评价指标级别中第j项；i表示冲突评价指标中第i项，m表示i的最大取值；xij表示评价对象集合中任意一项评价对象i对应在冲突评价指标集中任意一个冲突评价指标级别j的观测数据，T是转置矩阵的符号；
选择用余弦值cosθj作为第一向量和第二向量差异的度量，其中cosθj的取值越小，则该项冲突评价指标在评价过程中起到的作用也就越大，反之起到的作用越小；
其中，j表示冲突评价指标级别中第j项；i表示冲突评价指标中第i项，m表示i的最大取值；xij表示评价对象集合中任意一项评价对象i对应在冲突评价指标集中任意一个冲突评价指标级别j的观测数据；T是转置矩阵的符号；
利用如下公式将数据进行归一化处理，将处理结果作为冲突评价指标的权重；
其中ωj表示余弦值cosθj归一化后的权值；j表示的指标矩阵第j列的值。
2.根据权利要求1所述的交通路口风险级别评估方法，其特征在于，构建所述评价对象集关于冲突评价指标集的指标矩阵步骤时，采用如下公式，对所述指标矩阵中的数据作无量纲处理；其中所述公式为：
其中，i表示冲突评价指标中第i项，i的取值为1-m，m为大于1的自然数；j表示冲突评价指标级别中第j项，j的取值为1-n，n为大于1的自然数；xij表示评价对象集合中任意一项评价对象i对应在冲突评价指标集中任意一个冲突评价指标级别j的观测数据；表示xij在指标矩阵中第i行中的最小值；xij *表示xij经过无量纲化处理后所得的结果。
3.根据权利要求1所述的交通路口风险级别评估方法，其特征在于，所述构建云模型步骤还包括：
S202：选取多个冲突评价指标，将所述的冲突评价指标进行分级，获取不同的评估级别；
S204：将同一冲突评价指标的评估级别分别输入至正向正态云发生器中，计算每个冲突评价指标的云数字特征；
S206：将同一冲突评价指标的评估级别的云数字特征输入到半云发生器中获得该冲突评价指标的云滴在数域空间的定性概念的确定度和评估云图；
重复步骤S204和S206多次，直至每一冲突评价指标都生成对应的评估云图。
4.根据权利要求3所述的交通路口风险级别评估方法，其特征在于，所述的构建云模型步骤还包括：
S302：根据同一冲突评价指标的评估级别中云模型的云数字特征，建立用于评估交通路口中两个对象间的冲突风险级别的综合云模型，该综合云模型的云数字特征分别是期望Ex、熵En和超熵He；
S304：根据所述期望Ex、熵En和超熵He以及给定的云滴数N，得到一个期望值为En，标准差为He的正态随机数以及一个期望值为Ex，标准差为|En′|的正态随机数x；
S306：计算x是定性概念的一次具体量化值，令y是x的确定度；
S308：重复执行步骤S304-S306,直至产生N个云滴；
S310：输出N个同一冲突评价指标的云滴在数域空间的定量位置和定性概念的确定度(x,y)；
S312：获得所述冲突评价指标的云滴在数域空间的定量位置和定性概念的确定度。
5.一种交通路口风险级别评估装置，其特征在于，包括：
数据获取模块，其用于获取所述交通路口中不同对象间的冲突数据，并选取所述对象间冲突评价指标；所述的冲突评价指标包括：碰撞时间、碰撞速度、安全减速度和后侵入时间中的一种或多种；
权重确定模块，其用于根据所述冲突数据和冲突评价指标，设定评价对象集和冲突评价指标集，构建所述评价对象集关于所述冲突评价指标集的指标矩阵，利用基于局部差异的指标确定方法，计算所述冲突评价指标之间的权重；
云模型构建模块，其用于构建云模型对所述多个冲突评价指标进行分级，将分别得到冲突评价指标的确定度乘以各项冲突评价指标的权重，构建确定度矩阵；
构建所述云模型时，把交通路口中两个对象间的冲突风险级别看作自然语言概念；
假设两个对象间冲突数据隶属于该两个对象间的冲突风险级别的确定度分布，符合正态分布；
级别计算模块，其用于计算每一个所述确定度矩阵中各列的值，选取确定度的最大值所在的级别为所述交通路口的冲突风险的级别；
所述基于局部差异的指标确定方法，计算所述冲突评价指标之间的权重步骤包括：
取xij **作为第一向量，取观测数据xij作为第二向量；xij **采用下列公式进行计算：
其中，j表示冲突评价指标级别中第j项；i表示冲突评价指标中第i项，m表示i的最大取值；xij表示评价对象集合中任意一项评价对象i对应在冲突评价指标集中任意一个冲突评价指标级别j的观测数据，T是转置矩阵的符号；
选择用余弦值cosθj作为第一向量和第二向量差异的度量，其中cosθj的取值越小，则该项冲突评价指标在评价过程中起到的作用也就越大，反之起到的作用越小；
其中，j表示冲突评价指标级别中第j项；i表示冲突评价指标中第i项，m表示i的最大取值；xij表示评价对象集合中任意一项评价对象i对应在冲突评价指标集中任意一个冲突评价指标级别j的观测数据；T是转置矩阵的符号；
利用如下公式将数据进行归一化处理，将处理结果作为冲突评价指标的权重；
其中ωj表示余弦值cosθj归一化后的权值；j表示的指标矩阵第j列的值。
6.一种电子设备，其特征在于，包括处理器、输入设备、输出设备和存储器，所述处理器、输入设备、输出设备和存储器依次连接，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器被配置用于调用所述程序指令，执行如权利要求1-4任一项所述的方法。
7.一种可读存储介质，其特征在于，所述存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令当被处理器执行时使所述处理器执行如权利要求1-4任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011019337.9A CN112116263B (zh) | 2020-09-25 | 2020-09-25 | 一种交通路口风险级别评估方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011019337.9A CN112116263B (zh) | 2020-09-25 | 2020-09-25 | 一种交通路口风险级别评估方法、装置、电子设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112116263A CN112116263A (zh) | 2020-12-22 |
| CN112116263B true CN112116263B (zh) | 2023-09-12 |
Family
ID=73800697
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011019337.9A Active CN112116263B (zh) | 2020-09-25 | 2020-09-25 | 一种交通路口风险级别评估方法、装置、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112116263B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113128872B (zh) * | 2021-04-22 | 2022-03-04 | 长安大学 | 一种城市快速路交通安全评价方法 |
| CN114005271A (zh) * | 2021-08-05 | 2022-02-01 | 北京航空航天大学 | 一种智能网联环境下交叉口碰撞风险量化方法 |
| TWI810921B (zh) * | 2022-04-29 | 2023-08-01 | 江俊昇 | 交通肇事路段改善規劃方法及系統 |
| CN115620199B (zh) * | 2022-10-24 | 2023-06-13 | 四川警察学院 | 一种交通安全风险诊断方法和装置 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2013025545A (ja) * | 2011-07-20 | 2013-02-04 | Sumitomo Electric Ind Ltd | 交通評価装置、コンピュータプログラム及び交通評価方法 |
| CN106780117A (zh) * | 2016-12-02 | 2017-05-31 | 国网浙江省电力公司经济技术研究院 | 一种配电网项目融资租赁风险评估方法 |
| CN108230676A (zh) * | 2018-01-23 | 2018-06-29 | 同济大学 | 一种基于轨迹数据的交叉口行人过街风险评估方法 |
| CN108710719A (zh) * | 2018-04-02 | 2018-10-26 | 中山大学 | 基于冲突区侵占度的交叉口内部冲突消解仿真模拟方法 |
| CN109034582A (zh) * | 2018-07-16 | 2018-12-18 | 山东大学 | 基于云模型和组合赋权的隧道穿越断层突水突泥风险评价方法 |
-
2020
- 2020-09-25 CN CN202011019337.9A patent/CN112116263B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2013025545A (ja) * | 2011-07-20 | 2013-02-04 | Sumitomo Electric Ind Ltd | 交通評価装置、コンピュータプログラム及び交通評価方法 |
| CN106780117A (zh) * | 2016-12-02 | 2017-05-31 | 国网浙江省电力公司经济技术研究院 | 一种配电网项目融资租赁风险评估方法 |
| CN108230676A (zh) * | 2018-01-23 | 2018-06-29 | 同济大学 | 一种基于轨迹数据的交叉口行人过街风险评估方法 |
| CN108710719A (zh) * | 2018-04-02 | 2018-10-26 | 中山大学 | 基于冲突区侵占度的交叉口内部冲突消解仿真模拟方法 |
| CN109034582A (zh) * | 2018-07-16 | 2018-12-18 | 山东大学 | 基于云模型和组合赋权的隧道穿越断层突水突泥风险评价方法 |
Non-Patent Citations (1)
| Title |
|---|
| 基于云理论的人车冲突严重度研究;牟瑞芳;王春勤;;长安大学学报(自然科学版)(第06期);103-111 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112116263A (zh) | 2020-12-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112116263B (zh) | 一种交通路口风险级别评估方法、装置、电子设备及存储介质 | |
| Zheng et al. | Comparison of traffic conflict indicators for crash estimation using peak over threshold approach | |
| Tarko | Measuring road safety with surrogate events | |
| Park et al. | Real-time prediction of secondary incident occurrences using vehicle probe data | |
| Essa et al. | Simulated traffic conflicts: do they accurately represent field-measured conflicts? | |
| Park et al. | Interpretation of Bayesian neural networks for predicting the duration of detected incidents | |
| US11112797B2 (en) | System and method for improving autonomous vehicle safety performance | |
| Wu et al. | An improved vehicle-pedestrian near-crash identification method with a roadside LiDAR sensor | |
| Goyani et al. | Investigation of traffic conflicts at unsignalized intersection for reckoning crash probability under mixed traffic conditions | |
| Sheykhfard et al. | Review and assessment of different perspectives of vehicle-pedestrian conflicts and crashes: Passive and active analysis approaches | |
| Hu et al. | Safety evaluation of pedestrian-vehicle interaction at signalized intersections in Changsha, China | |
| Guido et al. | Safety performance measures: a comparison between microsimulation and observational data | |
| Hu et al. | Efficient mapping of crash risk at intersections with connected vehicle data and deep learning models | |
| Lv et al. | Automatic vehicle-pedestrian conflict identification with trajectories of road users extracted from roadside LiDAR sensors using a rule-based method | |
| Bouhsissin et al. | Driver behavior classification: a systematic literature review | |
| Wu et al. | Automated safety diagnosis based on unmanned aerial vehicle video and deep learning algorithm | |
| Noh et al. | Analyzing vehicle–pedestrian interactions: Combining data cube structure and predictive collision risk estimation model | |
| Tageldin et al. | Automated analysis and validation of right-turn merging behavior | |
| Branzi et al. | A Combined Simulation Approach to Evaluate Overtaking Behaviour on Two‐Lane Two‐Way Rural Roads | |
| Toledo et al. | Alternative definitions of passing critical gaps | |
| Anwari et al. | Investigating surrogate safety measures at midblock pedestrian crossings using multivariate models with roadside camera data | |
| Noh et al. | SafetyCube: Framework for potential pedestrian risk analysis using multi-dimensional OLAP | |
| Miqdady et al. | In search of severity dimensions of traffic conflicts for different simulated mixed fleets involving connected and autonomous vehicles | |
| AlRajie | Investigation of using microscopic traffic simulation tools to predict traffic conflicts between right-turning vehicles and through cyclists at signalized intersections | |
| Patel et al. | A framework for proactive safety evaluation of intersection using surrogate safety measures and non-compliance behavior |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| CB02 | Change of applicant information | ||
| CB02 | Change of applicant information |
Address after: Room 707-710, 7th floor, building B3, innovation industrial park, No. 800, Wangjiang West Road, hi tech Zone, Hefei City, Anhui Province Applicant after: Anhui Baicheng Huitong Technology Co.,Ltd. Address before: Room 707-710, 7th floor, building B3, innovation industrial park, No. 800, Wangjiang West Road, hi tech Zone, Hefei City, Anhui Province Applicant before: ANHUI BAI CHENG HUI TONG TECHNOLOGY CO.,LTD. |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |